BenchLeader

GPT-5.3-Codex vs o3

詳しいプロフィール:GPT-5.3-Codex(OpenAI)とo3(OpenAI)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 16件の情報源のデータ

2026年11月16日時点で、GPT-5.3-Codexとo3の品質は互角です(BenchLeader Indexで62.9 対 60.4、±7.7の誤差範囲内)。価格はo3の方が1.4倍安く、100万トークンあたりのブレンド価格で$3.50 対 $4.81です。両方を測定できるすべてのカテゴリでGPT-5.3-Codexがリードしています。o3の方が出力が約1.5倍速いです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.3-Codexが62.9、o3が60.4です(BenchLeader、2026年11月16日)。
  • GPT-5.3-Codexの100万トークンあたりのブレンド価格は$4.81です(定価、2026年11月16日)。
  • o3の100万トークンあたりのブレンド価格は$3.50です(定価、2026年11月16日)。
  • o3はGPT-5.3-Codexより出力が約1.5倍速いです(Artificial Analysis、7日間の中央値、2026年11月16日)。
  • 両モデルに結果がある9件のベンチマークのうち、GPT-5.3-Codexが9件でリードしています(BenchLeader、2026年11月16日)。

用途別のおすすめ

おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。

用途おすすめ理由信頼度
コーディングGPT-5.3-Codexカテゴリスコア61 対 60中
エージェント・ツール利用GPT-5.3-Codexカテゴリスコア80 対 70;Terminal-Bench Hard 53.0% 対 37.1%高
長い文書GPT-5.3-Codexカテゴリスコア66 対 62;AA-LCR v1.1 83.3% 対 74.7%中
画像などのメディアGPT-5.3-Codexカテゴリスコア61 対 53;MMMU-Pro 78.5% 対 70.1%高
指示への追従GPT-5.3-Codexカテゴリスコア74 対 65;IFBench 75.4% 対 71.4%高
チャットの質(人間の評価)–Arenaの評価があるのはo3のみです(カテゴリスコア61)比較不可
最低コストo3100万トークンあたりブレンド価格$3.50 対 $4.81;エージェント型コーディングセッション$0.152 対 $0.161–
回答開始の速さo3最初の回答トークンまで5.2秒(o3)対 38.2秒(GPT-5.3-Codex (xhigh))–
低予算での大量処理フラッグシップ以外小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM–

主な違い

  • GPT-5.3-Codex (xhigh)とo3の品質は互角です(62.9 対 60.4、±7.7の誤差範囲内)。
  • GPT-5.3-Codex (xhigh)はエージェント・ツール、コーディング、指示追従、長文コンテキスト、マルチモーダルで優れています。
  • o3の方が1.4倍安くなっています(100万トークンあたりブレンド価格$3.50 対 $4.81)。
  • o3の方が出力が1.4倍速くなっています(131 対 94トークン/秒)。

概要

仕様GPT-5.3-Codexo3
プロバイダーOpenAIOpenAI
リリース日2026年2月5日2025年4月16日
コンテキストウィンドウ(トークン)400,000200,000
比較した構成GPT-5.3-Codex (xhigh)o3
オープンウェイトなしなし
100万トークンあたりの価格(入力/出力/キャッシュ入力)$1.75 / $14.00 / $0.175$2.00 / $8.00 / $0.500

カテゴリ別の比較

カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。

カテゴリGPT-5.3-Codex (xhigh)o3トップ
推論–60.9比較不可
コーディング61.059.8GPT-5.3-Codex
エージェント・ツール80.170.3GPT-5.3-Codex
数学–70.6比較不可
知識–56.2比較不可
指示追従73.665.2GPT-5.3-Codex
人間の評価–61.0比較不可
マルチモーダル60.852.8GPT-5.3-Codex
長文コンテキスト66.461.9GPT-5.3-Codex

1つのグラフで比較

各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。

2550 avg75コーディングエージェント・ツール指示追従長文コンテキストマルチモーダルGPT-5.3-Codex, コーディング: 61.0GPT-5.3-Codex, エージェント・ツール: 80.1GPT-5.3-Codex, 指示追従: 73.6GPT-5.3-Codex, 長文コンテキスト: 66.4GPT-5.3-Codex, マルチモーダル: 60.8o3, コーディング: 59.8o3, エージェント・ツール: 70.3o3, 指示追従: 65.2o3, 長文コンテキスト: 61.9o3, マルチモーダル: 52.8

描画していないもの(測定済みのモデルが2つ未満):推論, 数学, 知識, 人間の評価。

モデル(クリックで追加・削除)Index

情報源で評価が分かれる点

両方に結果がある9件のベンチマークのうち、GPT-5.3-Codexのリードが9件、o3のリードが0件です。

総合IndexGPT-5.3-Codex (xhigh)o3トップ
BenchLeader Index62.960.4互角

公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。

価格・速度・レイテンシ

定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。

指標GPT-5.3-Codex (xhigh)o3
100万トークンあたりのブレンド価格$4.81$3.50
100万トークンあたりの入力/出力$1.75 / $14.00$2.00 / $8.00
100万トークンあたりのキャッシュ入力$0.175$0.500
タスクあたりの価格:チャットの返答$0.0049$0.0032
タスクあたりの価格:30ページのレポートを要約$0.029$0.029
タスクあたりの価格:コード編集$0.032$0.024
タスクあたりの価格:エージェント型コーディングセッション$0.161$0.152
タスクあたりの価格:構造化データの抽出$0.0063$0.0056
エージェント型コーディングセッション(入力の大半がキャッシュ)$0.090$0.085
出力速度94 tok/s131 tok/s
回答開始までの時間38.2秒5.2秒
回答が完了するまでの時間(最終測定2026年11月13日)97.1秒17.3秒

各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.3-Codex (xhigh)のスコアは62.9、最初の回答トークンまで38秒。o3のスコアは60.4、最初の回答トークンまで5秒。o3 (high)は55.1(5秒)、o3 (medium)は53.3(5秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか

全ベンチマーク

104件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。

指標公開元GPT-5.3-Codex (xhigh)o3
BenchLeader IndexBenchLeader62.960.4
エージェント・ツールスコアBenchLeader80.170.3
コーディングスコアBenchLeader61.059.8
指示追従スコアBenchLeader73.665.2
長文コンテキストスコアBenchLeader66.461.9
マルチモーダルスコアBenchLeader60.852.8
人間の評価スコアBenchLeader–61.0
知識スコアBenchLeader–56.2
数学スコアBenchLeader–70.6
推論スコアBenchLeader–60.9
ブレンド価格($/100万トークン)BenchLeader$4.81$3.50
出力速度BenchLeader94 tok/s131 tok/s
回答開始までの時間BenchLeader38.2秒5.2秒
コンテキストウィンドウBenchLeader400,000トークン200,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub–81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)–1441
GPQA Diamond (AA)Artificial Analysis91.5%82.7%
Humanity's Last Exam (AA)Artificial Analysis42.5%20.1%
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis16.9%1.1%
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)–1448
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub–39.7%†
DTBenchEpoch AI Benchmarking Hub–84.8%†
ForecastBenchForecastBench–64.3%
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†62.3%†
WeirdMLWeirdML77.9%52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)–1460
Arena WebDevArena (LMArena)1406†–
104件のベンチマークをすべて表示
指標公開元GPT-5.3-Codex (xhigh)o3
コーディング
LiveCodeBenchVals AI87.3%83.9%†
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Vibe Code Bench v1.1Vals AI61.8%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub1655.2933.5†
GameBench 2 OverallDuelLab GameBench 2–34.1
GameBench 2 by reasoning settingDuelLab GameBench 2–30.4†
Design Arena WebsiteDesign Arena1155†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
エージェント・ツール
Terminal-BenchTerminal-Bench78.4%†–
GDPvalOpenAI–30.8%†
Terminal-Bench HardArtificial Analysis53.0%37.1%
τ²-Bench Telecom (AA)Artificial Analysis86.0%80.7%
HiL-BenchScale AI SEAL4.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Arena SearchArena (LMArena)–1197
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR74.5%†63.6%
Vending-Bench 2Andon Labs5940.1†–
AA-Briefcase v1.1Artificial Analysis868–
Design Arena AgenticDesign Arena1018†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–33.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)–1448
AIME 2025 (AA)Artificial Analysis–88.3%
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
指示追従
IFBenchArtificial Analysis75.4%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)–1403
人間の評価
Arena TextArena (LMArena)–1432
EQ-Bench Creative Writing v3EQ-Bench–1675
Arena Creative WritingArena (LMArena)–1383
Arena Multi-turnArena (LMArena)–1420
Arena Longer QueriesArena (LMArena)–1411
Lech Mazur Creative WritingLech Mazur–83.9%†
マルチモーダル
Arena VisionArena (LMArena)–1214
MMMU-ProArtificial Analysis78.5%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
長文コンテキスト
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis83.3%74.7%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–147.1
AA Intelligence Index v4.3.2Artificial Analysis32.520.2
AA Progress Index v1Artificial Analysis301.3258.3
HELM Capabilities meanHELM Capabilities–81.1%
安全性・誠実さ
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
メタデータ
AA Openness IndexArtificial Analysis–5.6

データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

最近の変化

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:スコアの改訂1件。
  • o3:新しい結果1件(Arena Search)。
  • o3:スコアの改訂1件。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
  • o3:新しい結果1件(AA Progress Index v1)。
  • o3:スコアの改訂1件。

ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM

GPT-5.3-Codex vs o3:よくある質問

GPT-5.3-Codexはo3より優れていますか?
GPT-5.3-Codex (xhigh)とo3の品質は互角です(62.9 対 60.4、±7.7の誤差範囲内)。BenchLeader Indexは第三者による品質ベンチマークをすべて統合した指標です。2026年11月16日時点では両者の差は誤差範囲内なので、用途に合わせてカテゴリ別のスコアを確認してください。
GPT-5.3-Codexとo3はどちらが安いですか?今後変わる予定はありますか?
現在はo3の方が安く、100万トークンあたり$3.50 対 $4.81です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
コーディングにはGPT-5.3-Codexとo3のどちらが向いていますか?
コーディングではGPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で61 対 60。50が平均)。
GPT-5.3-Codexとo3はどちらが速いですか?
o3の方が出力が約1.5倍速くなっています(出力131 対 94トークン/秒、Artificial Analysisの7日間の中央値)。
エージェントやツール利用にはGPT-5.3-Codexとo3のどちらが向いていますか?
エージェント型のタスクではGPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で80 対 70。50が平均)。共通するエージェント・ツールベンチマークのうち最も重要なTerminal-Bench Hardでは、GPT-5.3-Codexが53.0%、o3が37.1%です。
ほかの質問(4件)
長い文書にはどちらが向いていますか?
長文コンテキストのベンチマークではGPT-5.3-Codexの方がスコアが高くなっています(66 対 62)。コンテキストはGPT-5.3-Codexの方が長く、400,000トークンです(o3は200,000トークン)。
レイテンシが低いのはどちらですか?
先に回答を始めるのはo3です。Artificial Analysisの測定では、最初の回答トークンまで5.2秒 対 38.2秒です。この差の大部分は推論エフォートによるもので、設定が高いほど回答前に長く考えます。
GPT-5.3-Codexとo3について、第三者ベンチマークの評価は一致していますか?
両方に結果がある9件のベンチマークのうち、GPT-5.3-Codexのリードが9件、o3のリードが0件です。
GPT-5.3-Codexはいつリリースされましたか?
GPT-5.3-Codexは2026年2月5日にリリースされました。